4687 articles
Cette étude démontre qu'un algorithme neuromorphique nativement épiqué conçu pour résoudre des équations aux dérivées partielles possède une robustesse intrinsèque remarquable, tolérant jusqu'à 32 % de neurones et 90 % de spikes supprimés sans dégradation significative de la précision.
Ce papier présente DUCTILE, une approche d'orchestration agentic par LLM qui sépare l'adaptation des processus de l'exécution déterministe des outils d'ingénierie, permettant ainsi d'automatiser avec succès des tâches d'analyse structurelle dans l'industrie aérospatiale malgré des variations de données, tout en soulevant des questions sur l'évolution du rôle de supervision des ingénieurs.
Cet article propose un cadre d'apprentissage par contraste croisé unifié qui aligne les représentations globales d'imagerie cérébrale et locales de régions d'intérêt (ROI) dans un espace latent commun, démontrant que leur intégration conjointe améliore significativement la classification des troubles neurologiques par rapport à l'utilisation de ces modalités isolément.
Cet article propose un cadre ADMM plug-and-play convergent intégrant un nouveau débruiteur AC-DC pour résoudre le problème de décalage de variété entre les données d'entraînement et les itérations d'optimisation, garantissant ainsi la convergence et améliorant la qualité des solutions sur divers problèmes inverses.
Cet article présente un système conçu par une approche centrée sur l'humain qui utilise l'intelligence artificielle conversationnelle et une carte interactive pour permettre au public d'explorer et d'interroger en langage naturel près de 1,7 million de spécimens numérisés des collections de sciences naturelles du Musée australien.
Cette étude démontre que l'intrication quantique confère un avantage compétitif significatif dans l'apprentissage par renforcement adversarial, permettant à des agents hybrides quantiques-classiques de surpasser leurs équivalents séparables et certains réseaux de neurones classiques sur le jeu de Pong.
Le papier propose HyMEM, une mémoire structurée hybride et auto-évolutive inspirée du cerveau humain qui améliore significativement les performances des agents GUI en couplant des nœuds symboliques discrets et des embeddings continus pour une récupération multi-sauts et une mise à jour dynamique.
Ce papier propose le cadre conceptuel de la « Simulation-in-the-Reasoning » (SiR), qui intègre des simulateurs de domaine directement dans le cycle de raisonnement des modèles de langage pour transformer le raisonnement hypothétique en un processus vérifiable et empiriquement fondé, spécifiquement conçu pour les systèmes de transport autonomes.
Cet article présente RINoBench, le premier benchmark complet pour l'évaluation automatisée de la nouveauté des idées de recherche, révélant que les grands modèles de langage, bien qu'alignés sur le raisonnement humain, échouent encore à prédire avec précision la nouveauté par rapport aux jugements humains.
Le papier présente NasoVoce, une interface discrète montée sur le pont nasal qui fusionne des signaux acoustiques et vibratoires pour permettre une interaction vocale avec l'IA en tout temps, même dans des environnements bruyants ou lors de chuchotements.
Le papier présente PC-Diffuser, un cadre de sécurité qui intègre une fonction barrière de capsule cohérente avec le chemin directement dans la boucle de débruitage d'un planificateur de trajectoire basé sur la diffusion, garantissant ainsi une génération de trajectoires sûre et géométriquement fidèle sans nécessiter de corrections a posteriori.
Cette étude systématique comparant les rerankers à raisonnement et non à raisonnement sur le dataset TREC 2022 démontre que l'intégration du raisonnement n'améliore ni ne détériore l'équité des résultats, révélant que les modèles actuels préservent les caractéristiques d'équité de leur classement d'entrée.
Ce papier propose le cadre d'inférence sans entraînement et indépendant du modèle, appelé distillation visuelle à porte conceptuelle (CGVD), qui surmonte le « fossé précision-raisonnement » des modèles vision-langage-action dans des environnements encombrés en éliminant le bruit sémantique via l'inpainting de Fourier et en ciblant précisément les objets à manipuler, permettant ainsi d'atteindre un taux de réussite de 77,5 % contre 43,0 % pour les méthodes de l'état de l'art.
Cet article présente FairFAL, un cadre d'apprentissage actif fédéré adaptatif qui surpasse les méthodes existantes dans des scénarios non-IID extrêmes et déséquilibrés en sélectionnant dynamiquement entre les modèles globaux et locaux et en intégrant des stratégies d'échantillonnage équitables pour les classes minoritaires.
Cet article présente DIBJudge, un cadre d'affinement robuste qui atténue le biais de « translationese » dans les LLM multilingues en utilisant un goulot d'étranglement d'information désintriqué pour isoler les facteurs de biais et apprendre des représentations de jugement critiques.
Ce papier présente GenCC, un cadre exploitant les capacités de génération de code des grands modèles de langage pour concevoir automatiquement des fonctions d'utilité de contrôle de congestion, surpassant les protocoles actuels de 37 % à 142 % selon les scénarios.
Ce papier présente HEAL, un cadre d'apprentissage sans renforcement qui surpasse les méthodes de distillation traditionnelles en surmontant la « limite de l'enseignant » grâce à une intervention active guidée par l'entropie, un filtrage rigoureux et une évolution progressive du curriculum inspirée de la zone de développement prochain.
Cet article propose un cadre de fusion dynamique des connaissances en deux étapes, combinant un apprentissage contrastif et des prompts contextuels structurés, pour surmonter les défis du suivi d'état de dialogue multi-domaine et améliorer la précision ainsi que la généralisation des modèles.
Cet article propose une reformulation des systèmes de recommandation génératifs via deux nouvelles architectures (AttnLFA et AttnMVP) qui éliminent l'intercalage inefficace des jetons pour modéliser explicitement la causalité entre les éléments et les actions, permettant ainsi d'améliorer les performances tout en réduisant la complexité computationnelle et le temps d'entraînement.
Cet article propose un cadre d'adaptation à quelques exemples pour les systèmes robotiques opérant dans des environnements non stationnaires, qui estime un identifiant de tendance latent régularisé temporellement pour compenser les changements de concept sans modifier les paramètres du modèle.